How can impact strategies be developed that better support universities to address twenty-first-century challenges?
Notice bibliographique
Résumé
To better address twenty-first-century challenges, research institutions often develop and publish research impact strategies, but as a tool, impact strategies are poorly understood. This study provides the first formal analysis of impact strategies from the UK, Canada, Australia, Denmark, New Zealand and Hong Kong, China, and from independent research institutes. Two types of strategy emerged. First, ‘achieving impact’ strategies tended to be bottom-up and co-productive, with a strong emphasis on partnerships and engagement, but they were more likely to target specific beneficiaries with structured implementation plans, use boundary organisations to co-produce research and impact, and recognise impact with less reliance on extrinsic incentives. Second, ‘enabling impact’ strategies were more top-down and incentive-driven, developed to build impact capacity and culture across an institution, faculty or centre, with a strong focus on partnerships and engagement, and they invested in dedicated impact teams and academic impact roles, supported by extrinsic incentives including promotion criteria. This typology offers a new way to categorise, analyse and understand research impact strategies, alongside insights that may be used by practitioners to guide the design of future strategies, considering the limitations of top-down, incentive-driven approaches versus more bottom-up, co-productive approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,126 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,042 | 0,027 |
| Science ouverte | 0,005 | 0,021 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».